نوع مقاله : مقاله پژوهشی
نویسندگان
دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران
چکیده
پیشینه و اهداف: آتشسوزیهای گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیستبومها، به یکی از جدیترین چالشهای محیطی عصر حاضر تبدیل شدهاند و شناسایی دقیق نواحی سوخته پس از حریق، پیشنیاز ارزیابی خسارت، برنامهریزی احیا و مدیریت خطر است. دادههای اپتیکی ماهوارهای، بهویژه تصاویر سنتینل-۲، همراه با شاخصهای طیفی پرکاربرد، ابزار قدرتمندی برای نقشهبرداری مناطق سوخته فراهم میکنند، اما کارایی آنها به انتخاب مناسب شاخصها و مدلهای طبقهبندی وابسته است. هدف این پژوهش، ارزیابی و مقایسه کارایى یک روش آماری کلاسیک، سه الگوریتم یادگیری ماشین و دو معماری یادگیری عمیق در تشخیص نواحی سوخته، بر پایه ترکیب باندهای سنتینل-۲ و شاخصهای طیفی، در آتشسوزی جنگلی Kenneth در لسآنجلس است.
روشها: در این پژوهش، پس از انتخاب تصویر پساحریق سنتینل-۲ و اعمال ماسک ابر، هشت باند طیفی اصلی (شامل باندهای مرئی، فروسرخ نزدیک، لبه قرمز و فروسرخ موج کوتاه) بههمراه پنج شاخص طیفی پرکاربرد مرتبط با سوختگی، پوشش گیاهی و رطوبت استخراج شد و یک تصویر ۱۵ متغیره بهعنوان ورودی مدلها تشکیل گردید. دادههای مرجع دودویی سوخته و نسوخته از پایگاه رسمی ثبت آتشسوزیها برداشت شد و نمونهها بهصورت تصادفی انتخاب و به دو زیرمجموعه آموزشی (۷۰ درصد) و آزمایشی (۳۰ درصد) تفکیک شدند. تمامی ویژگیها با روش نرمالسازی خطی مقیاسبندی شدند. در ادامه، یک روش آماری مبتنی بر بیشینه شباهت (MLE)، سه الگوریتم یادگیری ماشین شامل تقویت تطبیقی (Adaboost)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) و دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشنی (CNN) و شبکه پرسپترون چندلایه (MLP) آموزش داده شد. ارزیابی مدلها بر اساس ماتریس درهمریختگی و شاخصهایی نظیر Accuracy، Precision، Recall، F1-score و IoU انجام گرفت و اهمیت نسبی باندها و شاخصها در هر مدل نیز محاسبه شد.
یافتهها: نتایج این پژوهش نشان داد تمامی مدلها قادر به تفکیک الگوی کلی سوختگی از پسزمینه نسوخته بودند، اما در دقت عددی و نویز مکانی اختلاف قابل توجهی داشتند. روش آماری مبتنی بر MLE، اگرچه دقتی نزدیک به ۹۸ درصد را بهدست آورد، بهدلیل مقدار بالای طبقهبندی نادرست پیکسلهای نسوخته بهعنوان سوخته و تولید لکههای پراکنده در حاشیه ناحیه سوخته، کمترین قابلیت اعتماد را ارائه نمود. در میان الگوریتمهای یادگیری ماشین، RF بهترین عملکرد را داشت؛ بهگونهای که با Accuracy حدود ۹۹٫۶۷ درصد، F1-score نزدیک به ۹۷ درصد و بیشترین IoU، کمترین میزان خطا در تشخیص پیکسلهای سوخته و نسوخته (FP و FN) را ثبت نمود. SVM نیز با F1-score بیش از ۹۶ درصد عملکردی پایدار نشان داد، هرچند نسبت به RF تا حدی خطای بیشتری در مرزهای لکه سوختگی داشت. الگوریتم Adaboost، با وجود بهبود محسوس نسبت به روش آماری، بهسبب حساسیت به نمونههای دشوار، میزان بالاتری از عدم شناسایی پیکسلهای سوخته را ایجاد کرد. دو مدل یادگیری عمیق، یعنی CNN و MLP، نقشههایی پیوسته و کمنویز تولید نمودند و از نظر Accuracy ، F1-score و IoU نتایجی بسیار نزدیک به RF بهدست آوردند. تحلیل اهمیت ویژگیها نشان داد باندهای فروسرخ موج کوتاه (SWIR-1,2) و شاخصهای مرتبط با سوختگی و پوشش گیاهی، بهویژه شاخصهای NBR، NDVI و SAVI، بیشترین سهم را در تصمیمگیری مدلها داشتهاند و باندهای ناحیه مرئی نقش فرعیتری ایفا کردهاند.
نتیجهگیری: برآیند نتایج نشان میدهد که ادغام باندهای فروسرخ سنتینل-۲ با شاخصهای پوشش گیاهی و رطوبتی، در ترکیب با مدلهای یادگیری ماشین و یادگیری عمیق، چارچوبی دقیق و قابل اتکا برای پایش پساحریق و نقشهبرداری نواحی سوخته در چشماندازهای ناهمگن فراهم میکند. در این میان، RF و سپس مدلهای CNN و MLP، بهعنوان گزینههای بهینه برای پیادهسازی عملی پیشنهاد میشوند، در حالی که روش آماری MLE و الگوریتم Adaboost بیشتر بهعنوان خطوط پایه مقایسه قابل استفادهاند. از مهمترین محدودیتهای مطالعه حاضر میتوان به تکیه بر یک رویداد آتشسوزی و استفاده از داده تکزمانه پساحریق اشاره کرد؛ بنابراین، تعمیم مدل به آتشسوزیها، تیپهای پوشش گیاهی و شرایط توپوگرافی متنوعتر، همراه با بهرهگیری از دادههای چندزمانه و ادغام سنجندههای راداری و ارتفاعی، بهعنوان مسیرهای اصلی پژوهشهای آینده پیشنهاد میشود. نتایج این تحقیق میتواند در طراحی سامانههای عملیاتی پایش آتشسوزی، اولویتبندی مناطق احیا و برنامهریزی پایدار منابع طبیعی در مناطق مستعد حریق مورد استفاده قرار گیرد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Comparison of different methods for burned area detection using spectral indices and sentinel-2 satellite imagery: statistical, machine learning, and deep learning (A Case study of the kenneth wildfire in los angeles)
نویسندگان [English]
- M. Hasanlou
- Z. Roodsarabi
- P. Hasan Teymori
School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran
چکیده [English]
Background and Objectives: Large-scale wildfires, through the destruction of vegetation, increased soil instability, and disruption of ecosystem functioning, have become one of the most serious environmental challenges of the modern era. Accurate post-fire burn-area delineation is essential for damage assessment, restoration planning, and risk management. Satellite optical data—particularly Sentinel-2 imagery—combined with widely used spectral indices provide a powerful basis for mapping burned areas; however, their performance depends strongly on the choice of indices and classification models. The objective of this study is to evaluate and compare the effectiveness of a classical statistical classifier, three machine learning algorithms, and two deep learning architectures for burned-area detection, using a combination of Sentinel-2 spectral bands and spectral indices in the Kenneth wildfire in Los Angeles.
Methods: Following selection of the post-fire Sentinel-2 imagery and cloud masking, eight core spectral bands (visible, near-infrared, red-edge, and shortwave infrared) along with five commonly used indices related to burn severity, vegetation condition, and moisture content were extracted, forming a 15-variable input image for model development. Binary reference labels (burned/unburned) were derived from the official wildfire incident database, and spatially random sampling was used to create training (70%) and testing (30%) subsets. All features were normalized using min–max scaling. Subsequently, a classical Maximum Likelihood Estimation (MLE) classifier, three machine learning algorithms—Adaptive Boosting (AdaBoost), Random Forest (RF), and Support Vector Machine (SVM)—and two deep learning models—Convolutional Neural Network (CNN) and Multilayer Perceptron (MLP)—were trained. Model evaluation was performed using confusion-matrix metrics including Accuracy, Precision, Recall, F1-score, and Intersection over Union (IoU). Feature importance was also calculated for each algorithm.
Findings: All models successfully distinguished the general burn pattern from the unburned background; however, they differed substantially in numerical accuracy and spatial noise. The MLE classifier, although yielding nearly 98% accuracy, showed the lowest reliability due to a high rate of misclassified unburned pixels (FP) and scattered artifacts around burn perimeters. Among machine learning methods, RF exhibited the best performance, achieving ~99.67% Accuracy, ~97% F1-score, and the highest IoU, with the lowest FP and FN values. SVM also showed stable and competitive performance with an F1-score exceeding 96%, though slightly more boundary-related errors than RF. AdaBoost improved notably over the statistical classifier but, due to sensitivity to difficult samples, produced higher FN values. Both deep learning models (CNN and MLP) generated smooth, low-noise burn maps and achieved Accuracy, F1-score, and IoU values closely matching RF. Feature-importance analysis indicated that shortwave infrared bands (SWIR-1, SWIR-2) and burn/vegetation indices—particularly NBR, NDVI, and SAVI—were the most influential predictors, whereas visible bands contributed less to model decisions.
Conclusion: The results demonstrate that integrating Sentinel-2 infrared bands with vegetation and moisture indices, combined with machine learning and deep learning models, provides an accurate and robust framework for post-fire burn-area mapping in heterogeneous landscapes. RF, followed by CNN and MLP, emerges as the most effective set of models for operational implementation, while MLE and AdaBoost serve better as baseline methods. Key limitations include reliance on a single wildfire event and single-date post-fire data; thus, extending the framework to multiple fire regimes, diverse vegetation types, and more complex topographic conditions, as well as incorporating multitemporal data and radar/altimetry sensors, is recommended for future research. The findings support the development of operational wildfire monitoring systems, prioritization of restoration zones, and sustainable resource-management planning in fire-prone regions.
کلیدواژهها [English]
- Remote Sensing
- Wildfire
- Sentinel-2 Imagery
- Deep Learning
- Machine Learning
- Spectral Indices
COPYRIGHTS
© 2026 The Author(s). This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
)